1. No category

6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA (VI CIBELEC 2015)
Control de Velocidad de Aerogenerador
mediante Realimentación de Variables de
Estado
Alejandro González, Simón Morales
Resumen— En este trabajo se presenta un Sistema de Control
orientado a mantener el régimen de operación de una turbina
eólica de eje horizontal en torno al valor máximo de su eficiencia,
a fin de mejorar el desempeño de un Sistema de Conversión de
Energía Eólica de Velocidad Variable basado en un Generador
Sincrónico de Imán Permanente. La eficiencia de la turbina
alcanza su valor máximo para una determinada relación entre la
velocidad del viento y la velocidad angular de la turbina. La
estrategia de control propuesta consiste en asignar los polos
(autovalores) de un modelo linealizado del sistema en Espacio de
Estados mediante realimentación de variables de estado. El
objetivo del controlador es ajustar de forma dinámica la
velocidad angular de la turbina de en función de mediciones de
velocidad del viento a fin de mantener la relación de velocidad de
punta en torno al valor que hace máximo el coeficiente de
eficiencia. La técnica de ajuste del controlador es verificada
mediante simulación digital utilizando un modelo que contempla
las no linealidades del Sistema de Conversión de Energía Eólica y
la aleatoriedad de la velocidad del viento.
Palabras claves—Sistema de Conversión de Energía Eólica de
Velocidad Variable, Generador Sincrónico de Imán Permanente,
Realimentación de Variables de Estado, Asignación de Polos.
fuentes externas de energía para excitación ya que la misma es
obtenida de los imanes permanentes, asimismo su baja
velocidad de operación permite eliminar la necesidad de un
tren de engranajes para acoplar la turbina al generador [1].
La aleatoriedad de la velocidad del viento y las múltiples
no linealidades de los Sistemas de Conversión de Energía
Eólica han hecho del control de Velocidad
de
Aerogeneradores un campo de estudio bastante amplio.
Numerosas técnicas de control pueden observarse en [1-4]
entre otros.
En este trabajo se presenta como técnica de control asignar
los autovalores del sistema mediante realimentación de
variables de estado, lo cual se realiza utilizando un modelo
linealizado del sistema en un punto de operación específico
definido por un valor de velocidad media del viento. El
controlador diseñado es puesto a prueba mediante simulación
utilizando un modelo que contempla las no linealidades del
sistema de conversión de energía eólica así como la
aleatoriedad de la velocidad del viento.
II. SISTEMA DE CONVERSIÓN DE ENERGÍA EÓLICA
A. Estructura General
I. INTRODUCCIÓN
Los Sistemas de Conversión de Energía Eólica (WECS =
Wind Energy Conversion System) más utilizados en la
actualidad son aquellos que utilizan turbinas de velocidad
variable. Entre sus múltiples ventajas destaca la posibilidad de
realizar un ajuste dinámico de la velocidad de la turbina en
función de la velocidad del viento a fin de optimizar su
eficiencia aerodinámica [1, 2].
Los Generadores Sincrónicos de Imán Permanente (PMSG
= Permanent Magnet Synchronous Generator) y los
Generadores de Inducción Doblemente Alimentados (DFIG =
Double Fed Induction Generator) son actualmente los más
utilizados [1]. Este último particularmente para sistemas de
conversión de energía eólica a gran escala mientras que los de
imán permanente son utilizados a baja y mediana escala [1].
Entre las ventajas de los PMSG se destaca la independencia de
Artículo recibido el 27 de Febrero de 2015.
A.G. y S.M. están con la Universidad Central de Venezuela, Ciudad
Universitaria, Facultad de Ingeniería, Escuela de Ingeniería Eléctrica, Caracas,
Distrito Capital, Venezuela, Tlf. +58-212-6053294 / 1753, Fax: +58-6053306,
E-mail: [email protected], [email protected]
La estructura general de un Sistema de Conversión de
Energía Eólica basado en un Generador Sincrónico de Imán
Permanente se muestra en la Fig. 1 [1, 3].
FIG. 1. Sistema de Conversión de Energía Eólica con PMSG
Esta estructura permite establecer la necesidad de múltiples
sistemas de control que pueden agruparse en dos etapas, que
pueden funcionar de forma independiente: una para el control
de velocidad de la turbina y otra para la calidad de la energía
suministrada a la red eléctrica [1-3].
B. Regiones de Operación de la Velocidad de la Turbina
Los objetivos en el control de velocidad de la turbina varían
de acuerdo a su régimen de operación, que usualmente se
divide en tres regiones [1, 3]. Según [3] en la Región 1 el
ISBN: 978-980-7185-03-5
CA-1
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA (VI CIBELEC 2015)
ángulo de las aspas se mantiene constante (β = 0) y la
referencia de velocidad corresponde a la necesaria para
maximizar el coeficiente de eficiencia, permitiendo capturar la
mayor potencia posible del viento. El intervalo de esta región
está definido entre velocidad mínima del viento, ya que para
velocidades menores a la misma la potencia capturada es
considerada insuficiente, y un primer límite de velocidad. En
la Región 2 los objetivos de control cambian a controlar la
velocidad del rotor para disminuir el ruido acústico y mantener
la fuerza centrífuga dentro de los límites tolerados por la
turbina y el generador. En la Región 3 se intenta mantener
constante la velocidad de la turbina a fin de capturar la
potencia nominal de la misma. Cuando la velocidad del viento
excede un valor máximo establecido para esta última región,
la prioridad es la preservación de la turbina y el generador, por
lo cual la misma puede eventualmente ser detenida por
completo.
En este trabajo solo se considerará la operación en la
Región 1.
C. Modelo de Velocidad del Viento
Se trabaja con un modelo de velocidad del viento basado en
la representación espectral de Van der Hoven de acuerdo a su
implementación en [5]. Considerando el tiempo utilizado para
las simulaciones (25 s) se asume constante la componente de
baja frecuencia (Velocidad media). Si bien el modelo utilizado
es bastante simplificado, éste toma en cuenta aspectos como la
simetría de la turbina de eje horizontal de tres aspas y el efecto
sombra de la torre.
D. Modelo de Turbina Eólica de Eje Horizontal
La extracción de potencia mecánica del viento capturada
por la turbina eólica de eje horizontal viene dada por (1) [1],
[2].
[4], los cuales son c1=0.5176, c2=116, c3=0.4, c4=5, c5=21 y
c6=0.0068. Bajo estas condiciones se obtiene para β=0 la
curva de Cp en función de λ mostrada en la Fig. 2.
FIG. 2. Eficiencia de la Turbina en función de la
Relación de Velocidad de Punta
Se puede apreciar que la eficiencia de la turbina alcanza su
valor máximo CpMAX=0.48 para un valor particular de Relación
de Velocidad de Punta
=8.1.
El torque desarrollado por la turbina, obtenido a partir de
(1), viene dado por (5).
(5)
Asumiendo que el momento de inercia total de la turbina es
J y el coeficiente de fricción viscosa f y considerando la
sobre el eje, la ecuación de
acción de un torque externo
movimiento angular en el eje de la turbina corresponde a (6).
(1)
(6)
Donde ρ representa la densidad del aire,
la longitud del
aspa, ωr la velocidad angular del rotor, β el ángulo de
inclinación de las aspas, CP la eficiencia de la turbina para la
conversión de energía eólica a energía mecánica y λ la
relación de velocidad de punta, la cual es la relación entre la
velocidad lineal en la punta del aspa y la velocidad del viento
como se muestra en (2) [1], [2].
E. Modelo del Generador Sincrónico de Imán Permanente
El PMSG es modelado en el marco de referencia dq0 como
se muestra en (7) y (8) [4].
(7)
(8)
(2)
Se observa en (1) que CP es función de λ y β. Puede ser
calculado utilizando (3) definiendo λ1 como se muestra en (4)
[3].
(3)
Donde vd y vq representan las tensiones en el estator, id e iq
las corrientes en el estator, R y L la resistencia e inductancia
equivalentes del estator, ωe la velocidad eléctrica y λo el flujo
magnético del imán permanente.
El torque eléctrico Te viene dado por (9).
(9)
(4)
Donde los coeficientes c1,..,6 dependen de las
características aerodinámicas de las aspas.
Se supone una turbina con los valores utilizados en [3] y
Donde p representa el número de pares de polos de la
máquina. Asimismo, la dinámica del eje del rotor es descrita
mediante (10) [4], donde el torque
en (6) es remplazado por
ISBN: 978-980-7185-03-5
CA-2
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA (VI CIBELEC 2015)
el torque eléctrico del motor. En este caso se asume unitaria la
relación del tren de engranajes que acopla los ejes de la
turbina y el generador.
(10)
La velocidad eléctrica ωe es proporcional a la velocidad
mecánica tal como se muestra en (11).
B. Cálculo de la Velocidad Angular de Referencia
En la Región 1 se desea que la velocidad angular de la
turbina haga seguimiento a la velocidad del viento a fin de
mantener el valor de la relación de velocidad de punta
que lleva a su valor máximo CpMAX el coeficiente de eficiencia
de la turbina Cp, por lo que a partir de (2) puede establecerse
viene dada
la referencia de velocidad angular del eje
según se muestra en (12).
(11)
III. ESTRATEGIA DE CONTROL
Dado el comportamiento dual de la máquina eléctrica, su
control de movimiento como generador o como motor es
bastante similar, lo cual permite utilizar la misma lógica de
control y dispositivos para su implementación [1].
En [1, 3] se muestran técnicas de control basadas en un
modelo lineal del sistema en espacio de estados, en este caso
una estrategia alternativa es la asignación de polos
(autovalores) en función de la dinámica deseada para el
mediante realimentación de variables de estado, explicada en
[6].
A. Control en Régimen de Velocidad Variable
En líneas generales la estructura de control para la
velocidad angular de la turbina en régimen de velocidad
variable (Región 1) se muestra en la Fig. 3.
(12)
C. Modelo en Espacio de Estados del Sistema de Conversión
de Energía Eólica
Definiendo como vector de estado x(t) según se muestra en
(13) asi como el vector de control u(t) mostrado en (14).
(13)
(14)
La representación en espacio de estados del sistema vendrá
dada por:
(15)
(16)
Donde f1 y f2 pueden ser determinadas directamente a partir
de (7) y (8), mientras que para f3 es necesario sustituir (9) y (5)
en (10). Adicionalmente se toma el efecto de la velocidad del
viento en f3 como una perturbación. Se asume como
condiciones iniciales x(to) y la salida del sistema viene dada
por y(t) (velocidad angular del eje).
FIG. 3. Esquema de Control de Sistema de Control de
Velocidad de Turbina Eólica
El funcionamiento del sistema consiste en generar una señal
de referencia tal que la velocidad angular en función de la
velocidad del viento, tal que la relación de velocidad de punta
de la turbina se encuentre cercana al valor necesario (λopt) para
mantener el coeficiente de eficiencia de la turbina en torno a
su valor máximo (CpMAX) [1], [3]. La señal de control ajusta las
tensiones trifásicas del generador, lo cual se realiza mediante
el convertidor del lado del generador (ver Fig. 1) [1, 3]. Más
adelante se explica el cálculo de la señal de referencia.
D. Linealización del Modelo del Sistema
Resulta conveniente definir el punto de operación del
sistema para una velocidad media del viento
y asumiendo
que se tiene el valor de relación de velocidad de punta
,
obteniéndose así (se fija =0):
ISBN: 978-980-7185-03-5
(17)
CA-3
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA (VI CIBELEC 2015)
(18)
Donde el termino
puede ser calculado mediante (5)
utilizando CpMAX,
y .
Definido el punto de operación , asumiendo pequeñas
variaciones
en torno a
, la aproximación
lineal del sistema por serie de Taylor viene dada por (19) y
(20).
asignación robusta de los polos deseados considerando que el
sistema posee múltiples entradas. La matriz de ganancia
correspondiente tiene la forma mostrada en (25).
(25)
Donde Ki1 y Ki2 corresponden a las ganancias de la variable
de estado w(t), obtenida al incorporar el integrador al sistema.
La estrategia de control se muestra en la Fig. 4.
(19)
(20)
Donde las matrices A, B, Γ dependen del punto de operación
y son determinadas como se muestra en (21), (22) y (23). La
matriz C tiene la misma forma que en el sistema original como
se muestra en (24).
FIG. 4. Realimentación de Variables de Estado
Es importante destacar que para sistemas con múltiples
entradas la solución obtenida, valores de la matriz K, no es
única [7].
(21)
IV. SIMULACIÓN DEL SISTEMA DE CONTROL
A. Parámetros de la Simulación
Para el diseño del Sistema de Control de acuerdo a la
metodología descrita el modelo del Sistema de Conversión de
Energía Eólica se ajustaron los parámetros de acuerdo a
valores tomados de [4] indicados en la Tabla I.
(22)
TABLA I
PARÁMETROS DEL SISTEMA DE CONVERSIÓN DE ENERGÍA EÓLICA
Símbolo
Parámetro
Rt
Longitud del aspa de la turbina
Resistencia del Embobinado del
Generador
Inductancia del Embobinado del
Generador
Flujo Magnético del Generador
Número de pares de polos del
Generador
Inercia del eje del Generador
Fricción viscosa en el eje del Generador
R
(23)
L
λo
(24)
E. Asignación de Polos por Realimentación de Variables
de Estado
Asumiendo que todo el vector de estado es físicamente
medible, si el sistema definido por el par (A, B) es
completamente controlable, entonces mediante realimentación
de variables de estado utilizando una matriz de ganancia K
apropiada se pueden asignar arbitrariamente los polos del
sistema a lazo cerrado [6]. Esto puede realizarse utilizando el
modelo lineal del sistema.
Adicionalmente [6] sugiere un método para mejorar el
seguimiento de la señal de referencia incorporando un
integrador en el trayecto directo, lo cual incrementa el orden y
tipo de sistema. Para el cálculo de K se utilizó un programa
basado en el algoritmo expuesto en [7], el cual realiza una
P
J
f
Valor
3m
4.3 Ω
27 mH
0.272 Wb
1
1kg m2
0.002 kg m2/s
De igual manera se muestran en la Tabla II los parámetros
del modelo de velocidad del viento utilizado.
TABLA II
PARÁMETROS DEL MODELO DE VELOCIDAD DEL VIENTO
Símbolo
Vm
Lt
σ
ρ
ISBN: 978-980-7185-03-5
Parámetro
Velocidad media del Viento
Longitud de turbulencia
Desviación estándar de la
turbulencia
Densidad del aire
Valor
8 m/s
0.05 m
1m
1.25 Kg/m3
CA-4
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA (VI CIBELEC 2015)
El controlador por Realimentación de Variables de Estado
se ajusta tal que los polos dominantes del sistema se ubiquen
en -4±4j y -16. Los valores de la matriz de ganancia se
muestran en la Tabla III.
TABLA III
VALORES DE LA MATRIZ DE GANANCIA DE REALIMENTACIÓN DE ESTADO
Parámetro
Valor
K11
-3.868
K12
0.5832
K13
-13.573
Ki1
0
K21
-0.583
K22
-3.909
K23
1.201
Ki2
33.88
FIG. 6. Velocidad angular de la turbina con control por
Realimentación de Variables de Estado.
En la Fig. 7 se muestra la Relación de Velocidad de Punta y
en la Fig. 8 el Coeficiente de Eficiencia de la Turbina.
B. Resultados de la simulación
Se muestran los resultados en una simulación realizada en
MATLAB/Simulink durante 25 s. El perfil de velocidad del
viento utilizado se muestra en la Fig. 5, se introduce
intencionalmente un incremento de 10% en la velocidad media
a los 15 s. No se toma en cuenta el arranque del generador en
tanto dicho régimen se encuentra fuera de la región de
operación del sistema bajo estudio.
FIG. 7. Relación de Velocidad de Punta con Control por
Realimentación de Variables de Estado.
La evolución de las corrientes y tensiones en el estator del
generador durante la simulación se muestran en las Figuras 9 a
12.
El torque desarrollado por la turbina se muestra en la Fig.
13.
FIG. 5. Perfil de velocidad del viento utilizado en la
simulación.
La velocidad angular de la turbina obtenida en el sistema
controlado por Realimentación de Variables de Estado se
muestra en la Fig. 6.
C. Análisis de Resultados
En la Fig. 8 se puede apreciar que el sistema de control
logra mantener el coeficiente de eficiencia de la turbina
entorno a su máximo valor (0.48), mostrado previamente en la
Fig 3. Asimismo se observa en la Fig. 7 que la relación de
velocidad de punta mantiene su valor en torno a 8.1. Se puede
destacar además que el incremento de la velocidad media del
viento a los 15 s, identificable en la Fig. 5, no tiene un efecto
considerable sobre Cp.
ISBN: 978-980-7185-03-5
CA-5
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA (VI CIBELEC 2015)
FIG. 8. Coeficiente de Eficiencia de la Turbia con Control por
Realimentación de Variables de Estado.
FIG. 9. Corriente en el eje d del estator con Control por
Realimentación de Variables de Estado.
FIG. 11. Tensión en el eje d del estator con Control por
Realimentación de Variables de Estado.
FIG. 12. Tensión en el eje q del estator con Control por
Realimentación de Variables de Estado.
FIG. 13. Torque desarrollado por la Turbina.
FIG. 10. Corriente en el eje q del estator con Control por
Realimentación de Variables de Estado.
ISBN: 978-980-7185-03-5
CA-6
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA (VI CIBELEC 2015)
En todos los parámetros medidos se observan fluctuaciones
en torno al punto de operación, producto de la componente de
turbulencia en la velocidad del viento y la acción del sistema
de control. En las señales eléctricas del estator pueden
apreciarse cambios significativos luego de modificar el punto
de operación al variar la velocidad media del viento.
En la Fig. 9 se puede notar que el aumento de 10% en la
velocidad media del viento produce un aumento significativo
en el valor medio de la corriente en el eje d del estator, id(t),
desde 0 A a aproximadamente 10 A, así como en la amplitud
de sus fluctuaciones, tal efecto no se observa en el resto de los
parámetros medidos.
Vale la pena retomar que en (9) se observa que el torque
eléctrico es proporcional a iq(t).
En la Fig. 10 se puede notar un aumento ligeramente mayor
al 20% en la corriente del eje q del estator, iq(t). Asimismo, a
diferencia de lo observado en el caso de id(t), las fluctuaciones
producto de los cambios instantáneos de velocidad del viento
no aumentan de forma considerable. Similares resultados
pueden observarse en las tensiones en los ejes d y q en la Fig.
11 y la Fig. 12.
Las señales eléctricas medidas en el estator permiten
determinar la aplicabilidad de la estrategia de control
propuesta. En caso de haber mayores restricciones sobre estas
señales es posible disminuir la cantidad de energía requerida
disminuyendo imposiciones sobre los autovalores asignados
para el sistema, lo cual acarreará un seguimiento más lento de
la velocidad del viento por parte del sistema de control, que
incidirá en los valores instantáneos del coeficiente de
eficiencia Cp.
V. CONCLUSIONES
aleatorio de la velocidad del viento, el ajuste del controlador
tomando en cuenta un modelo lineal del sistema para un punto
de operación específico continuó brindando resultados
bastante aceptables al introducir una variación considerable en
el punto de operación (lo cual se realizó incrementando la
velocidad media del viento).
Considerando que se conocen varios algoritmos que
permiten realizar el ajuste de la matriz de ganancia, como se
indica en [7], las mayores dificultades de la implementación
de la técnica de ajuste requerida para la estrategia de control
utilizada radica en el previo conocimiento de los parámetros
modelo del sistema, así como en el acceso a mediciones de
todos las señales físicas, particularmente la velocidad del
viento, que requieren transductores que pueden ser altamente
sensibles al ruido y arrojar mediciones imprecisas, como se
señala en [4].
REFERENCIAS BIBLIOGRÁFICAS
[1]
[2]
[3]
[4]
[5]
[6]
La estrategia de control propuesta arrojó resultados que
validan su efectividad. Se pudo observar además que, pese a
las no linealidades del sistema y el carácter impredecible y
[7]
I. Munteanu, et al. “Optimal Control of Wind Energy Systems:
Towards a Global Approach”. Londres, Reino Unido: Springer, 2010.
F. Bianchi, et al. “Wind Turbine Control Systems. Principles,
Modeling and Gain Scheduling Design”. Londres, Reino Unido:
Springer, 2007.
Zaragoza, et al. “Study and Experimental verification of Control
Tuning Strategies in a Variable Speed Wind Energy Conversion
System”. En Renewable Energy, Vol. 36, pp. 1421-1430, 2011.
M. Corradini, et al. “Fully sensorless robust control of variable-speed
wind turbines for efficiency maximization” en Automatica, Vol. 49,
pp. 3023-3031, 2013.
C. Gavriluta, et al. “Complete Methodology on generating realistic
wind speed profiles based on measurements” en International
Conference on Renewable Energies and Power Quality (ICREPQ ‘12),
Santiago de Compostela, España, 2012.
K. Ogata. “Ingeniería de Control Moderna”. Madrid, España: Pearson
Education, 2003.
Kautsky, et al. “Robust Pole Assignment in Linear State Feedback”
en International Journal of Control, Vol. 41, pp. 1129-1155, 1985.
ISBN: 978-980-7185-03-5
CA-7
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA(VI CIBELEC 2015)
Propuesta de Supervisión y Control de Relés de
Protección, mediante un SCADA (Supervisory,
Control and Data Acquisition) basado en
Software Libre
Luis E. Rivera, Gerardo Torres, María Coronel
Resumen—El presente trabajo describe una propuesta y
metodología para implementar un SCADA (Supervisory, Control
and Data Acquisition) basado en software libre y licencia gratuita,
para relés de protección de distancia en sistemas eléctricos de
potencia. Para las pruebas se utilizó un REL-512 ABB, que es un
relé de protección multifuncional y como software SCADA se
utilizó el ScadaBR. El protocolo de comunicación para la
incorporación del relé al sistema SCADA es DNP3 (Distributed
Network Protocol) serial. En este trabajo, se presenta la
configuración de los puertos de comunicación del dispositivo
para que sea compatible con DNP3, como se trata de
comunicación serial, se indica además cuales son las opciones
disponibles en el REL-512 (RS-485 y RS-232), los criterios para
seleccionar una u otra y como debe realizarse, así como también
la configuración de los parámetros del software SCADA, para
comunicación en DNP3.Las pruebas de supervisión y control
realizadas con el software ScadaBR y el REL-512, mediante la
configuración de diversas variables de interés fueron exitosas, lo
que indica que la propuesta es válida para la aplicación
planteada.
Palabras claves—SCADA, Software Libre, Relé de distancia y
Protocolo de Comunicación.
I. INTRODUCCIÓN
Un sistema SCADA (Supervisory, Control and Data
Acquisition), consiste en la adecuación de la telemetría y
adquisición de datos. El sistema SCADA maneja la
información transmitida desde una Unidad Terminal Remota
(RTU = Remote Terminal Unit) y/o un Dispositivo Electrónico
Inteligente (IED = Intelligent Electronic Device), despliega
dicha información en una pantalla que se encuentra ubicada en
una estación de control mediante un software SCADA, donde
Artículo recibido el 27 de febrero de 2015.
L.E.R.,G.T. y M.C. están con la Universidad de Los Andes, Sector La
Hechicera, Facultad de Ingeniería, Escuela de Ingeniería Eléctrica, Mérida,
estado
Mérida,
Venezuela,
Tlf.
+58-274-2402903,
E-mail:
[email protected],
[email protected],
[email protected]
se realiza un proceso de análisis y supervisión, luego se puede
optar a tomar acciones de control, así como también
almacenar datos por un tiempo determinado, para luego
generar informes.
Para que exista la comunicación entre el software SCADA
y los dispositivos remotos (RTU), debe existir un sistema de
comunicaciones, el cual proporciona la vía que permite dicha
comunicación, este sistema puede ser de fibra óptica, radio,
Ethernet, línea telefónica, microondas e incluso por satélite.
Los protocolos de comunicación específicos y las teorías de
detección de errores, se utilizan para una transferencia de
información eficiente y óptima. Existe una gran variedad de
protocolos en la industria de energía eléctrica, pero los más
populares son: ModBus, ModBus Plus y DNP3 (Distributed
Network Protocol) [1-2].
El protocolo DNP3fue desarrollado para la comunicación
entre dispositivos en sistemas eléctricos de potencia; los
beneficios a corto plazo de usar este protocolo son los
siguientes: codificación segura, proporciona interoperabilidad,
no es necesario un traductor de protocolos, el costo de
software es reducido, las pruebas de conformidad se pueden
realizar de forma independiente y es apoyado por un grupo
independiente de desarrolladores y usuarios (ejemplo: equipos
de prueba y código fuente). Los beneficios a largo plazo
incluyen; la facilidad de expansión de un sistema, larga vida
del producto, adición de un valor agregado a los equipos de
los distintos fabricantes y que se puede adaptar rápida y
fácilmente a nuevas tecnologías [2]. Debido a esto el
protocolo DNP3se ha convertido en el protocolo estándar de
facto en la industria de energía eléctrica y es ampliamente
apoyado con herramientas para pruebas, librerías para el
protocolo y servicios [2].
Existen dos tipos de software SCADA: abiertos y de
propietarios; éste último es desarrollado por empresas o
fabricantes y solo permite la comunicación entre dispositivos
elaborados por ellos, el principal problema que acarrea el
software propietario, es la excesiva dependencia con el
proveedor del sistema. Caso contrario al de tipo abierto, el
cual se ha ganado la popularidad y aceptación debido a la
interoperabilidad que aportan a un sistema. La
interoperabilidad es la habilidad de conectar equipos de
diferentes fabricantes a un mismo sistema, en este caso a una
ISBN: 978-980-7185-03-5
CA-8
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA(VI CIBELEC 2015)
misma red [1].
Por otro lado se han venido desarrollando software SCADA
de licencia gratuita y de código abierto, los cuales han tenido
éxito en diversas aplicaciones, de manera que existe una
alternativa gratuita y confiable, es por esa razón que en este
trabajo se decide trabajar con uno de éstos SCADA, para
realizar la propuesta de interconexión con relés de protección
de sistemas eléctricos de potencia.
Actualmente la gran mayoría de relés modernos, soportan
diferentes protocolos de comunicación, entre ellos se
encuentran ModBus y DNP3 [3]. Estos relés, se pueden
configurar para enviar datos analógicos y digitales al software
SCADA que se lo solicite.
dos (2) o cuatro (4) hilos.
La tarjeta de comunicaciones DNP3 contienen unos puentes
(jumpers) que permiten realizar la configuración del estándar
de transmisión, ya sea en RS-485 half o full duplex, o en RS232 half o full duplex. La tabla que se muestra en la vista
frontal de la Figura 1, también se encuentra impresa en la
tarjeta de comunicaciones DNP3, la cual viene configurada
por defecto para funcionar en RS-232 [5].
II. RELÉ DE PROTECCIÓN
El relé de protección utilizado en esta propuesta es el REL512, el cual se muestra en la Figura 1. Este relé es un equipo
digital multifuncional, que principalmente realiza la
protección de distancia. Presenta las siguientes funciones:
zonas de medición de impedancia, unidades direccionales,
funciones de sobrecorriente, funciones de voltaje. Contiene
cuatro (4) entradas de transformador de corriente, tres (3)
entradas de transformador de voltaje. Para la comunicación
con una computadora o con otro dispositivo, el equipo posee
un puerto delantero DB9, accesible a RS-232 aislado
ópticamente [4]. También tiene un puerto trasero DB9, el cual
le permite configurarse bien sea en RS-232 o en RS-485, este
puerto se encuentra acoplado a la tarjeta de comunicaciones,
cuya imagen se muestra en la Figura 2, la cual permite utilizar
el protocolo DNP3. Para el uso de este protocolo se debe hacer
una configuración la cual se describe a continuación.
FIG. 2. Tarjeta de comunicaciones DNP3 del REL-512
ABB.
TABLA I
CONFIGURACIÓN DE LA TARJETA DE COMUNICACIONES PARA SU
FUNCIONAMIENTO EN DNP3.
DB9 Pin
Out
1
FIG. 1. REL-512, vista frontal y vista trasera.
A. Configuración DNP3 del relé de protección REL-512 ABB
Para lograr la comunicación utilizando el protocolo DNP3
con el relé de protección REL-512 ABB, se debe configurar
tanto el hardware como el software [5]. Para realizar la
configuración del hardware se debe remover la tarjeta de
comunicaciones y hacer las conexiones que se presentan en la
Tabla I. Las posibilidades de usar el protocolo DNP3 son:
estándar (RS-232 o RS-485) y la configuración de conexión de
n/c
n/c
2
TxD
Y
3
RxD
Z
2 Wire
Conection
Noninverted
Inverted
4
n/c
A
-
5
6
7
8
9
GND
n/c
RTS
CTS
5V
GND
B
n/c
n/c
5V
GND
5V
RS-232
RS-485
4 Wire
Conection
Tx Noninverted
Tx-inverted
Rx Noninverted
GND
Rx Inverted
5V
Luego de realizar los arreglos en el hardware, se debe
configurar el software, esto se realiza a través del puerto
frontal y utilizando un emulador de terminal. Para el
desarrollo de esta propuesta se trabajó una computadora
Pentium 4 IBM, con microprocesador de 2.6 GHz, 1 GB de
memoria RAM y Sistema Operativo Windows XP. El
programa que se utilizó para emular el terminal es el
Hyperterminal, que se encuentra disponible en Windows XP y
es un programa que se puede utilizar para conectar con otros
equipos, sitios Telnet, sistemas de boletines electrónicos
(BBS), servicios en línea y equipos host, mediante un módem,
un cable de módem nulo o Ethernet [6]. En la Figura 3 se
encuentra el menú de configuración de la comunicación del
ISBN: 978-980-7185-03-5
CA-9
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA(VI CIBELEC 2015)
REL-512, para el protocolo DNP3, en cuyo ejemplo se observa
que sus principales arreglos son: DNP3, RS-485, Half Duplex
y tiempo de sincronización de 60 s.
La salida para comunicación DNP3 serial, bien sea en RS232 ó RS-485, se realiza a través de un conector DB9. En la
Tabla II se muestra la configuración de los pines para cada
uno de los casos.
FIG. 3. Menú de configuración de comunicación Protocolo
DNP3 del REL-512.
TABLA II
DB9 CONECTOR PIN-OUT.
JumpersPins
1,2
2,3
ModeSelection
JP 1 - 4
RS-232
RS-485
RS-485 configuration:
JP5
HalfDuplex
Full Duplex
JP6
2 wire
4 wire
JP7
2 wire
4 wire
RS-485 Termination/Biasresistors:
JP8
121 Ω
Open
JP9
523 Ω
Open
JP10
523 Ω
Open
Como estos dispositivos de protección se instalan en
subestaciones eléctricas, se deben tomar en consideración los
cables a utilizar para una correcta comunicación entre el
dispositivo y el software SCADA. El fabricante del dispositivo
recomienda una serie de cables blindados, que se encuentran
comercialmente (Alpha 58902, Belden 9729, Carol 58902).
Estos cumplen las características físicas y eléctricas adecuadas
para instalarlos en un ambiente como el de una subestación
eléctrica.
asociado al uso y que tiene habilitado el protocolo DNP3, es
que se decide utilizar este software SCADA.
ScadaBR contiene diferentes elementos básicos que permite
configurarlo como un sistema convencional, además tiene la
opción de incorporar vistas gráficas, realizar programación de
scripts, manejador de eventos y alarmas, también adecuación
de punto decimal, entre otras ventajas. El ScadaBR debe ser
configurado para adquirir los datos de interés, así como
también definir el protocolo mediante el cual se va a realizar la
comunicación con el dispositivo, la configuración de este
último se describe a continuación.
A. Configuración del ScadaBr para trabajar con el protocolo
DNP3 serial
La computadora donde se instala el software ScadaBR se
comportará como el dispositivo maestro, y debe configurarse
cada uno de los dispositivos con los cuales se va a realizar la
supervisión y el control. En esta propuesta se utiliza
inicialmente un dispositivo (REL-512). En la pantalla inicial
se escoge la opción: fuente de datos, protocolo DNP3 serial,
luego se abre una ventana de configuración donde se editan las
propiedades del protocolo. En la Figura 4 se muestra la
ventana de configuración de propiedades con los datos a
utilizar en esta propuesta. En el campo Nombre, se coloca el
nombre del dispositivo con el cual se va a identificar en el
ScadaBR. Los campos Source Address y Slave Address
corresponden con la dirección del dispositivo maestro y
esclavo respectivamente. Se realiza la comunicación a través
de un puerto serial, para ello se debe colocar en el campo
Puerto, la entrada de tipo serial, junto con sus respectivos
parámetros, para este caso se usa: 9600 Baudios, 8 bits de
datos, 1 bit de parada y ninguna paridad. Luego se configuran
los parámetros del protocolo que soporta el ScadaBR, los
cuales son: Retries, Timeout, RBE polling Period y Relative
Static Period; éstos parámetros corresponden con la lectura de
clases, a través de las cuales el protocolo organiza los tipos de
datos, para que fluya la comunicación entre el ScadaBR hacia
el dispositivo.
III. SCADA BASADO EN SOFTWARE LIBRE Y LICENCIA
GRATUITA
El software seleccionado para realizar las pruebas en este
artículo es el ScadaBR, éste es basado en software libre y es de
código abierto, por lo que tiene una gran aceptación en la
comunidad del software libre, contando con más de 70.000
descargas de su página oficial [7]. El ScadaBR actualmente
dispone de una gran cantidad de protocolos de comunicación
que se utilizan en distintos ámbitos industriales, entre los
cuales se encuentra el protocolo de comunicación DNP3 serial
y DNP3TCP/IP. Debido a su fácil descarga, ningún costo
FIG. 4. Parámetros de configuración del software ScadaBr,
para el protocolo DNP3 serial.
ISBN: 978-980-7185-03-5
CA-10
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA(VI CIBELEC 2015)
Cuando se trabaja con DNP3, se permite que los usuarios
clasifiquen la información en diferentes grupos llamados
clases. El protocolo generalmente soporta cuatro (4) tipos de
clases: 0,1, 2 y 3. La clase 0 corresponde con los valores que
se están supervisando en tiempo real. Las clases 1,2 y 3 están
reservadas para aquellos datos que requieran estampas de
tiempo, es decir, si cambian de valor en un momento dado, se
muestra el tiempo en que sucedió, junto con su
correspondiente valor nuevo [8].
Luego de configurar el dispositivo en el ScadaBR se
procede a agregar los puntos digitales o analógicos que
deseamos monitorear y controlar, esto se realiza en la
configuración del punto. Para la adición de puntos o índices al
software ScadaBr, se toma la tabla estandarizada (DNP3
Subset Definitions) que provee el fabricante sobre el protocolo
DNP3 del dispositivo. En la Figura 5, se muestra la tabla de
puntos a visualizar, se indica el nombre del punto, el tipo de
dato, el estado en que se encuentra y su respectivo índice. En
el estado, el color rojo indica deshabilitado y el color verde
indica habilitado. Con la habilitación de los puntos, se puede
configurar para obtener los últimos valores registrados.
FIG. 5. Configuración de los índices que se van a supervisar
con el software ScadaBr.
Luego de tener configurado el dispositivo y los puntos de
interés, se procede a definir como se desea observar en la
pantalla del operador, para esto se debe realizar una
configuración en el ScadaBR. Cabe resaltar que para definir
las pantallas gráficas o también llamadas Mimics, se deben
seguir los estándares recomendados para cada proceso, en
ellos se define desde el color hasta la estructura para mostrar
parte o todo el proceso que se desee tener en primer plano.
Para la configuración de control (Ver ejemplo en la Figura 6),
se realizaron pruebas utilizando el tipo de dato Binary Output,
que se encuentra en la opción fuente de datos, DNP3 serial,
colocando su correspondiente índice, que está reflejado en la
tabla estandarizada DNP3 del equipo (DNP3 Subset
Definitions). El ScadaBR, solo maneja en DNP3 el modo de
operación DirectOperate. Este es un tipo de dato
alfanumérico, el cual envía un pulso con un tiempo de
duración, lo cual realiza el cierre de los contactos que
corresponden con el índice definido.
B. Configuración para vistas graficas en ScadaBr
El ScadaBr dispone de opciones para configurar la
asignación de los índices de supervisión del dispositivo a una
imagen o vista gráfica. En la opción del menú de
configuración se encuentra: vistas gráficas. Luego aparecen
las propiedades de configuración de las mismas (ver Figura 7).
En este menú se puede tomar una imagen que pueden ser las
predeterminadas del ScadaBR, igualmente se pueden adicionar
otras imágenes.
FIG. 6. Configuración de las acciones de control en
ScadaBr para DNP3.
FIG. 7. Propiedades de configuración para vistas gráficas en
ScadaBR
En este caso, el dispositivo de protección de líneas de alta
tensión REL-512 ABB, es un equipo que se encuentra
supervisando principalmente valores de corriente, voltaje y
potencia en una línea de transmisión. Para la implementación
de la vista gráfica se agregaron imágenes de tipo (.png) e
imágenes de tipo (.gif). Las imágenes animadas (.gif) se
utilizan para indicar algún cambio de estado. Se debe definir
los índices que cumplen con esta función. Un ejemplo para
implementar son los índices binarios, porque cambian de
estado para indicar alguna notificación. En la Figura 8 se
muestra un ejemplo, para usar una imagen base, en la cual se
van adicionando e identificando los puntos respecto a lo que
se quiere observar. En esta pantalla grafica se muestra que las
imágenes que cambian de estado en este caso son los leds
rojos, que se encienden y apagan cuando ocurre alguna
notificación. En este caso se simula el panel frontal del REL512.
IV. PROCEDIMIENTO DE PRUEBA
En las pruebas realizadas se configuró el REL-512, para
comunicarse a través de RS-485 half dúplex, 2 hilos. Como la
ISBN: 978-980-7185-03-5
CA-11
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA(VI CIBELEC 2015)
computadora posee puerto de comunicación RS-232 con
conexión DB9, se debe utilizar un conversor
RS-485/RS232. La decisión de realizar la configuración con el
estándar RS-485 es que a diferencia del estándar RS-232(que
puede conectar un solo equipo esclavo a menos que se instale
un servidor terminal serial), se pueden conectar hasta 32
dispositivos, las longitudes de cableado son mayores (hasta
1200 m) y adicionalmente el estándar permite que la
transmisión de datos sea menos sensible a ruido producido por
líneas de transmisión. Para identificar cada dispositivo, en las
configuraciones se le debe colocar a cada uno un número
entero, que indica la dirección del mismo. Esto es necesario
realizarlo, ya que en una red donde se conectan varios
dispositivos, el SCADA debe poder identificarlos. En la prueba
se configuro un solo dispositivo con direccionamiento (01).
V. ANÁLISIS Y RESULTADOS
El resultado fue el esperado, supervisión de los datos en
tiempo real y control sobre algunas variables de interés. La
arquitectura definitiva es un sistema SCADA, conformado por
líneas de transmisión conectadas a un relé de protecciónREL512, mediante un canal de comunicación cableada utilizando
el estándar RS-485 y convertido a RS-232 para conectarlo al
sofware ScadaBR.
Se le pueden anexar más números de variables, lo cual
dependerá de lo que desea el personal de sistemas de
protección de la subestación, más lo que el operador debe
informar cada período de tiempo. Con respecto a la seguridad,
el sistema SCADA que se instaló con el software ScadaBr, no
debe estar expuesto directamente a modificaciones de los
parámetros que se mencionaron anteriormente, así como
también, la computadora donde se instala el ScadaBR no debe
estar conectado a redes no supervisadas o con salida a
personas sin autorización, para así evitar posibles
infiltraciones y sabotajes al sistema eléctrico.
VI. CONCLUSIONES
FIG.8. Ejemplo de adición de gráficos en el ScadaBr.
Los puntos configurados fueron los que se describen a
continuación,
índices
analógicos:
la
relación
de
transformación del transformador de corriente (CT ratio), la
corriente en la fase a de la línea de transmisión (Ia), la
corriente de la fase b de la línea de transmisión (Ib), el factor
de potencia (Power Factor), los índices binarios (LOP/LOI),
que es un dato de notificación que indica que el relé está
detectando bajos niveles de tensión, Self–Test, es una
notificación que indica el funcionamiento correcto del relé.
Al finalizar los procedimientos de configuración, se hace la
integración del mismo hacia el relé, usando un cable con
conector DB9, para el puerto serial de la tarjeta DNP3, y éste
dirigido hacia el puerto serial del conversor RS-485/RS-232,
para luego conectarlo en el puerto serial (COM) de la
computadora. Luego, se habilita la fuente de datos para que
comience la comunicación y entonces el relé entrega datos al
ScadaBr. En las entradas del REL-512 se le conecto una
fuente de voltaje y corriente para simular las entradas reales de
la subestación. Se realizó la acción de control, introduciendo
un pulso ON de 500 ms, lo que resultó en el cierre de los
contactos de disparo del relé (TRIP).
Es importante realizar una correcta y apropiada
configuración del REL-512, en la comunicación del mismo
para que realice la interconexión a través del protocolo DNP3.
Hay que tener precaución al realizar dicha configuración, ya
que si se hace incorrectamente puede traer daños permanentes
al dispositivo [6]. La computadora debe manejar suficiente
flujo y respaldo de datos, para que no tenga algún problema en
la lectura de información y almacenamiento del mismo. Se
realizaron pruebas para la lectura de puntos del relé,
visualizándose en el ScadaBr, con sus correspondientes
cambios de estado, así como también algunas pruebas de
control con resultados satisfactorios. Al igual que en el REL512 ABB, en el software ScadaBR se debe realizar una
correcta configuración en los parámetros de comunicación
para que no exista problema con el dispositivo esclavo.
ScadaBR es una herramienta muy potente para ser de software
libre. Se puede incluso hacerles mejoras, de acuerdo a los
requerimientos exigidos por un usuario.
Queda para un próximo trabajo realizar pruebas de
confiabilidad, realizando supervisión y control por largos
periodos de tiempo y cuyos datos almacenados puedan ser
cotejados con un protocolo definido y así evidenciar el óptimo
funcionamiento del ScadaBR. Así como también conectar un
mayor número de dispositivos.
AGRADECIMIENTOS
A los profesores de la Escuela de Ingeniería Eléctrica de la
Universidad de Los Andes, por su apoyo técnico y científico.
REFERENCIAS BIBLIOGRÁFICAS
[1]
[2]
[3]
G. Clarke, D. Reynders “Practical Modern Scada Protocols: Dnp3,
60870.5 and Related Systems” 1° Edicion, Año 2004.
J. Mcdonald “Electric Power Substations Engineering” 2da
Edción.2004.
M.S Almas, L. Vanfretti, StigLovlund and J.O Gjerde. “Open Source
SCADA Implementation and PMU Integration for Power System
ISBN: 978-980-7185-03-5
CA-12
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA(VI CIBELEC 2015)
[4]
[5]
Monitoring and Control Applications”. Articulo presentado en
IEEE PES GM 2014.
“Open Source – Web Based SCADA- SCADABR”. Información
disponible en linea: http:/www.scadabr.com.br/. (consultada el 20
marzo de 2015)
“Line Distance Protection Terminal REL-512. Instruction Book”
(IB40.512). Enero 2002.
[6]
[7]
REL-512 ABB “REL 512 DNP3.0 Automation Technical Guide”
Información disponible en línea:
http://new.abb.cm/processautomation/. (consultada el 15 de abril de 2015)
“Introduccion a Hyperterminal” https://msdn.microsoft.com/eses/library/cc736511%28v=ws.10%29.aspx. (consultada el 15 de abril
de 2015).
ISBN: 978-980-7185-03-5
CA-13
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA (VI CIBELEC 2015)
Sistema Inteligente de Producción Industrial
Para Estaciones de Flujo
Egner Aceros, Edgar Camargo
Resumen—En este trabajo se presenta un esquema de
Supervisión Inteligente de la Producción Industrial. Dicho
esquema es probado en Estaciones de Flujo (EF) y Múltiples de
Producción (MP) de Pozos Petroleros que utilizan el método de
levantamiento artificial por gas (LAG). La propuesta está basada
en la predicción del Flujo de Gas Instantáneo (FGI) a través de
las variables asociadas a la EF que apoyan en la detección de
escenarios operacionales. Para tal fin, se utilizan las técnicas y la
metodología de la Minería de Datos para la extracción de
información de los sistemas de recolección de la EF, dotando de
una herramienta al operador de la sala de control de forma que
ayude en la identificación de los escenarios operacionales y prever
decisiones cuando algunos de éstos se presenten, mejorando así el
desempeño del sistema de recolección al mantener la tasa de flujo
de producción a un menor costo (la instalación y el mantenimiento
de tecnología de medición son elevados). En general, esta
propuesta está orientada a la construcción de mecanismos de
observación, recolección e interpretación de datos, aportando
información valiosa al sistema y mejorando el desempeño del
método del proceso de producción asociado a la EF.
Palabras claves—Supervisión Inteligente, Minería de datos,
Estación de Flujo.
I. INTRODUCCIÓN
Actualmente, las industrias registran grandes cantidades de
datos para monitorear sus procesos asociados, donde en
algunos casos los datos no son utilizados eficientemente.
Debido al almacenamiento masivo de datos, no solo en la
industria petrolera, sino también en diversos campos
empresariales e industriales, se han desarrollado o han surgido
gran cantidad de técnicas inteligentes para manipular dichos
datos. El principal objetivo, que persiguen estas técnicas, es
obtener conocimiento valioso de las bases de datos, que
permita a las empresas beneficiarse de ese conocimiento ya sea
para, tomar decisiones, tareas de predicción, optimización, etc.
Las técnicas de Minería de Datos (MD) [1-3], son conocidas
por ser usadas para el descubrimiento de información oculta en
grandes masas de datos. Para realizar el proceso completo de
extracción del conocimiento sobre datos, se suele seguir los
siguientes pasos: Conocimiento del dominio de la aplicación,
establecimiento de los objetivos del proceso de
Artículo recibido el 05 de Enero 2015. Este artículo fue financiado por
PDVSA.
E.C. y E.A. están con PDVSA, Línea de Servicio de Automatización
Industrial, Gerencia AIT Corporativo, Lagunillas, Edo. Zulia, Venezuela, Telf.
+58-261-8051269/52266,
E-mail:
[email protected],
[email protected]
descubrimiento de conocimiento, determinación del conjunto
de datos objetivo, preparación de los datos, y por último, la
aplicación de técnicas de MD.
La industria petrolera poseen un enorme historial de datos
sobre lo que ocurre en sus plantas de producción [4], en el
sentido del aprovechamiento del conocimiento que puede estar
inmerso en ellos, razón por la cual el presente trabajo estará
enfocado en la extracción de información de los sistemas de
producción de crudo y gas, específicamente en la estimación
del flujo de gas instantáneo en las estaciones de flujo para la
toma de decisiones organizacionales de manera inteligente
partiendo de la utilización de técnicas de extracción de
información de los datos del proceso industrial.
II. BASES TEÓRICAS DE LA MINERÍA DE DATOS
La minería de datos o exploración de datos (KDD =
Knowledge Discovery in Databases) es un campo de las
ciencias de la computación referido al proceso que intenta
descubrir patrones en grandes volúmenes de conjuntos de
datos. Tecnología para explorar grandes bases de datos, de
manera automática o semiautomática, para encontrar patrones
repetitivos, tendencias o reglas que expliquen el
comportamiento de los datos en cierto contexto. Intentar
ayudar a comprender el contenido de un repositorio de datos
[5]. Así, utiliza los métodos de la inteligencia artificial,
aprendizaje automático, estadística y sistemas de bases de
datos. El objetivo general del proceso de minería de datos
consiste en extraer información de un conjunto de datos y
transformarla en una estructura comprensible para su uso
posterior. Además de la etapa de análisis en bruto, que
involucra aspectos de bases de datos y gestión de datos,
procesamiento de datos, el modelo y las consideraciones de
inferencia, métricas de intereses, consideraciones de la teoría
de la complejidad computacional, post-procesamiento de las
estructuras descubiertas, la visualización y actualización en
línea.
La tarea de minería de datos real es el análisis automático o
semi-automático de grandes cantidades de datos para extraer
patrones interesantes hasta ahora desconocidos, como los
grupos de registros de datos, registros poco usuales (la
detección de anomalías) y dependencias (minería por reglas de
asociación). Esto generalmente implica el uso de técnicas de
bases de datos. Estos patrones pueden entonces ser vistos
como una especie de resumen de los datos de entrada, y
ISBN: 978-980-7185-03-5
CA-14
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA (VI CIBELEC 2015)
pueden ser utilizados en el análisis adicional o, por ejemplo,
en la máquina de aprendizaje y análisis predictivo. Por
ejemplo, el paso de minería de datos podría identificar varios
grupos en los datos, que luego pueden ser utilizados para
obtener resultados más precisos de predicción por un sistema
de soporte de decisiones. Ni la recolección de datos,
preparación de datos, ni la interpretación de los resultados y la
información son parte de la etapa de minería de datos, pero
que pertenecen a todo el proceso KDD como pasos
adicionales, tal como se muestra en la Fig.1 [3].
Las técnicas de Minería de Datos (DM = Data Mining) pueden
mejorar los beneficios de automatización en las plataformas de
hardware y software existentes y pueden ser implementadas en
sistemas nuevos a medida que las plataformas existentes se
actualicen y nuevos productos sean desarrollados. Cuando las
herramientas de DM son implementadas en sistema de
procesamiento paralelo de alto rendimiento, pueden analizar
bases de datos masivas en minutos. Las técnicas más
comúnmente usadas en DM son:
•
•
•
•
•
FIG. 1. Fases de la Minería de Datos.
Un proyecto de minería de datos tiene varias fases necesarias
que son, esencialmente:
•
•
•
•
Determinación, obtención y limpieza: de los datos
necesarios.
Creación de modelos matemáticos.
Validación, comunicación: de los resultados obtenidos.
Integración: si procede, de los resultados en un sistema
transaccional o similar.
La relación entre todas estas fases sólo es lineal sobre el papel.
En realidad, es mucho más compleja y esconde toda una
jerarquía de subfases. A través de la experiencia acumulada en
proyectos de minería de datos se han ido desarrollando
metodologías que permiten gestionar esta complejidad de una
manera más o menos uniforme.
Como ya se ha comentado, las técnicas de la minería de datos
provienen de la inteligencia artificial y de la estadística, dichas
técnicas, no son más que algoritmos, más o menos sofisticados
que se aplican sobre un conjunto de datos para obtener unos
resultados.
Redes neuronales artificiales. Modelos predecibles no
lineales que aprenden a través del entrenamiento y
semejan la estructura de una red neuronal biológica.
Arboles de decisión. Estructuras de forma de árbol que
representan conjunto de decisiones. Estas decisiones
generan reglas para la clasificación de un conjuntos de
datos. Métodos específicos de árboles de decisión
incluyen arboles de clasificación y regresión (CART =
Classification And Regression Tree) y detección de
interacción automática de ji cuadrado (CHAID = Chi
Square Automatic Interaction Detection).
Algoritmos Genéticos. Técnicas de optimización que usan
procesos como combinaciones genéticas, mutaciones y
selección natural en un diseño basado en los conceptos de
evolución.
Método del vecino más cercano. Una técnica que clasifica
cada registro en un conjunto de datos basado en una
combinación de las clases del/ de los K registro (s) más
similar/es a él en un conjunto de datos históricos (donde
k=1). Algunas veces se llama la técnica del vecino k-más
cercano.
Regla de inducción. La extracción de reglas if-then de
datos basados en significados estadísticos.
III. MÉTODO DE LEVANTAMIENTO ARTIFICIAL POR GAS
El sistema de levantamiento artificial por gas involucra un
proceso cíclico durante la distribución y recolección del gas, el
cual se puede describir partiendo de la entrega del gas de alta
presión a la salida de las Plantas de Compresión (PC) (1), de
allí es recibido generalmente en uno o varios Múltiples de Alta
Presión (MAP) (2), que a su vez distribuyen el gas a los
diferentes Múltiples de Inyección, llamados también Múltiples
de Levantamiento Artificial por Gas (MLAG) (3) donde se
regula por medio de válvulas estranguladoras la cantidad de
gas inyectada a cada uno de los Pozos (4); una vez que el gas
se mezcla con la corriente de fluido aportada por el
yacimiento, viaja con éste hasta los Múltiples de Producción
(MP) (5) y Estaciones de Flujo (EF) (6), que cumplen la
función de almacenar temporalmente el crudo, separar el
líquido del gas, enviando el líquido a los Múltiples de Bombeo
(MB) (7) y posteriormente a los diferentes patios de tanques
(8), y enviando el gas a la red de recolección que llega
nuevamente a las unidades de compresión (1). El gas de
formación o gas aportado por los yacimientos es utilizado en
baja presión como combustible en las plantas de compresión
(1) y el excedente es transferido a baja o alta presión a plantas
de inyección de agua (9) u otras Áreas de Producción o
terceros (10), tal y como se muestra en la Fig. 2.
ISBN: 978-980-7185-03-5
CA-15
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA (VI CIBELEC 2015)
herramienta permitirá al operador estudiar ciertos escenarios
para poder tomar previsiones cuando alguno de ellos ocurra y
minimizar los efectos en las caídas de producción al reducir su
tiempo de la acción. Diariamente se ejecutan los llamados
cierres de producción que son la producción diaria total de
crudo y de gas en una determinada estación de flujo.
Situándose en la producción de gas, a lo largo del día los
operadores están observando los valores del gas instantáneo.
Esta medición de gas es tomada en un determinado instante,
que es el gas con el que se va hacer el cierre de producción.
Diariamente los operadores están chequeando los valores de
la medición de este gas, en caso de encontrar valores por
debajo de lo normal se dirigen a observar otros valores de la
cadena de producción para poder hallar la anomalía y corregir
a tiempo. Por esta razón se planteó el diseño de un prototipo
en el que se implementen técnicas de minería de datos para
predecir el valor de este gas instantáneo partiendo desde
diferentes escenarios (valores de medición de los diferentes
instrumentos en la cadena de la producción del gas). El
desarrollo de este prototipo permitirá al operador estudiar
ciertos escenarios para poder tomar previsiones cuando alguno
de ellos ocurra y poder tener un tiempo de acción reducido de
ese efecto en el proceso. La metodología utilizada en el
desarrollo de este prototipo consistió en (CRISP-DM = Cross
Industry Standard Process for Data Mining), ya que es una de
las más ampliamente utilizadas en el ambiente académico e
industrial [3]. A continuación se desarrollan las seis (06) fases
de la metodología indicada.
Primera y Segunda Fase: Compresión del Negocio y Datos
FIG. 2. Esquemático Pozo y Ciclo de Extracción de CrudoGas con Método de Inyección de Gas para el Levantamiento
Artificial.
IV. EXPERIMENTACIÓN CON EL SISTEMA BASADO EN MINERÍA
DE DATOS
Se muestra una posible implementación del sistema supervisor
inteligente para Estaciones de Flujo, así como los resultados
de las pruebas realizadas para la validación del mismo, usando
datos de mediciones provenientes de un pozo Levantamiento
Artificial por Gas (LAG) de un campo petrolero proveniente
de la industria petrolera venezolana. Ese procedimiento se
seguiría para cualquier pozo LAG.
El caso de estudio será la estación de flujo y múltiple de
producción e inyección asociados a los pozos manejados por
esta estación de flujo. El propósito de este prototipo es la
predicción del flujo de gas instantáneo dependiendo de las
variables asociadas a la estación de flujo para poder identificar
un posible problema operacional. El desarrollo de esta
En estas fases se realizó la recolección del conocimiento y
estudios para la compresión del funcionamiento de proceso,
con el objetivo de generar el escenario futuro y la tarea de
minería de datos a realizar. La comprensión del Negocio es
probablemente una de las fases más importantes, pues del
conocimiento y dominio del problema que se tenga, dependerá
el éxito o fracaso del proyecto [3], dado que las decisiones que
se deberán tomar en el resto de las fases dependerán de ésta.
En la segunda fase es preciso detectar las variables (vista
minable: subconjunto de datos sobre el que se va a aplicar una
técnica de MD. Extracción, Limpieza, Transformación,
Selección) que permitirán la consecución de los objetivos de la
MD, a estas variables se le denominan variables objetivos, ya
que las mismas son las que se desean predecir, clasificar,
calcular, inferir, en otras palabras, es la que deseamos obtener
con la tarea de MD. Así, en esta fase se desea definir las
variables objetivo del escenario futuro seleccionado y ubicar
dichas variables en la vista minable descrita previamente.
Además, una vez planteado el escenario futuro y la tarea de
minería de datos a realizar, es preciso detectar las variables
que aportaran en gran medida que la tarea de MD se desarrolle
de manera correcta (variables significativas). Determinar todas
las variables descritas en la vista minable operativa, la(s)
variable(s) de interés (variables objetivas y significativas), es
el objetivo de este punto.
Para tal fin en la estación de flujo se pudo observar una gran
cantidad de variables como lo son presiones, flujos,
ISBN: 978-980-7185-03-5
CA-16
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA (VI CIBELEC 2015)
volúmenes, a lo largo de toda la cadena de la producción del
gas. Para los datos, se hizo la recolección de 92 variables
identificadas, con un histórico de 5 años, los cuales reflejan
los escenarios operacionales presentes en una EF con respecto
a la inyección de gas instantáneo, a esta actividad se le
denomina la vista minable conceptual. Ahora, a esta vista
minable conceptual es necesario empezar a cargarla con datos,
la preparación y el tratamiento adecuado de los datos, que
serán utilizados para el desarrollo de la herramienta de MD.
Tercera Fase: Preparación de los Datos.
Para aplicar MD sobre un problema en específico, es necesario
contar con un historial de datos asociado al problema de
estudio. Esto conlleva realizar distintas operaciones con los
datos, con la finalidad de acondicionarlos para desarrollar un
modelo de MD. Durante el desarrollo de ésta fase se crea la
vista minable, que básicamente contiene la información de las
variables y los datos del historial, a continuación se definen
con más detalle: Una vista minable conceptual describe en
detalle cada una de las variables a ser tomadas en cuenta para
la tarea de MD, para cada escenario futuro seleccionado. La
misma está compuesta por todas las variables de interés, y
algunos campos adicionales de importancia para realizar el
proceso de tratamiento de datos (como por ejemplo:
dependencias con otras variables, redundancia de medición,
entre otras características que se consideren importante).
Esta etapa se centra en generar datos de calidad, es decir datos
sin anomalías, sin inconsistencias de formato, sin capturas
erróneas, sin campos vacíos; aplicando métodos de limpieza,
transformación y reducción sobre la vista minable conceptual.
La vista minable conceptual es preparada mediante
herramientas especializadas para realizar limpieza de datos
innecesarios, transformación de las variables observadas,
reducción de variables, entre otros métodos que se requieran
para generar una vista minable operativa de calidad. Cabe
destacar que ya existen diferentes técnicas y algoritmos para
realizar esta etapa (como lo es el análisis de correlación y el
cálculo de la entropía).
La limpieza de datos se refiere a una serie de procesos en los
cuales la calidad de los datos es mejorada, enfrentando los
problemas mencionados como datos mal capturados, anómalos
y vacíos, ya sea por características obvias que el dato no
cumple con ciertos parámetros del estándar, o porque el
experto del proceso ya tiene identificado anomalías comunes
en el almacenamiento de los datos.
En general, en el proceso de limpieza realiza normalización de
formatos, remoción de anomalías, corrección de errores y
eliminación de duplicados. Una técnica que se puede
mencionar es limpiar datos anómalos que se alejen mucho de
la media estándar de los datos, ya que estos datos describen
sucesos tales como: fueron mal tomados, se almacenaron de
forma incorrecta o que son simplemente una instancia que sí
ocurrió pero es poco probable que vuelva a ocurrir. Este tipo
de datos pueden generar cierto ruido en el estudio y por eso es
mejor eliminarlos.
Para la limpieza de los datos se debe:
• Estudiar la representación de cada una de las variables.
• Buscar anomalías de representación.
• Definir alguna estrategia de limpieza para erradicar dichas
anomalías y obtener data consistente.
• De acuerdo a la representación de las variables, realizar las
operaciones con un software para limpieza de datos.
Así, en esta fase se llevó a cabo la tarea de filtrado de los
datos. Esta tarea consistió en remover los datos atípicos
extraídos en la fase anterior. Se encontraron los siguientes
valores atípico: “ShutDown”, “+Falla Instr”, “Arc Off-line”,
“Bad”, “I/O Timeout”. Al ser encontrado por lo menos uno de
estos valores en una instancia de tiempo esta instancia debe ser
filtrada, para esta tarea se realizó una aplicación en el
Lenguaje de Programación JAVA cuyos datos de entrada son
los valores a ser filtrados, al ser encontrado algunos de los
valores atípico la instancia es ignorada, pasando de 92
variables a 54 variables (alta relación lineal), es decir se
obtuvo la vista minable operativa, para posteriormente realizar
las tareas de minería de datos.
Cuarta Fase: Modelado.
Esta etapa tiene como finalidad escoger la técnica para obtener
el modelo de MD resultante de la comparación de varias
técnicas para una misma tarea. Escoger la técnica de MD para
la tarea identificada. La selección de la técnica, desarrollar una
tabla de comparación entre las técnicas probadas, para conocer
cual se adapta mejor a la estructura de los datos. Así, se debe
definir cuáles son los datos de entrenamiento y de prueba
dispuestos en la vista minable, dependiendo de la técnica de
MD a ser usada varían los porcentajes de la muestra para la
prueba. Posteriormente comenzar a realizar pruebas sobre la
vista minable operativa, para ir llenando la tabla comparativa
de las técnicas de MD. Definir una estrategia para la
validación de la técnica seleccionada, aplicarla y observar el
rendimiento, realizar las correcciones necesarias y repetir el
procedimiento de ser necesario
En la actualidad existen diversas técnicas de minería de datos,
éstas podrían agruparse en 2 vertientes como son: la minería
de datos descriptiva que identifican patrones que explican,
describen o resumen los datos y la minería de datos predictiva
que usa variables conocidas para predecir valores
desconocidos o futuros de otras variables. Así, se
seleccionaron 4 técnicas que permiten predecir variables
numéricas, estas son: regresión lineal, arboles de decisión,
redes neuronales y método del vecino más cercano. Los
indicadores utilizados en la comparación del desempeño de las
técnicas utilizadas son: el error absoluto relativo, raíz del error
cuadrático relativo y el coeficiente de correlación. En las
Tablas I a IV, se presentan los parámetros indicados para el
conjunto de muestras evaluadas.
ISBN: 978-980-7185-03-5
CA-17
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA (VI CIBELEC 2015)
error absoluto relativo =
(1)
raíz del error cuadrático
relativo =
(2)
Muestra
Donde:
Muestra
Muestra 1
Muestra 2
Muestra 3
Muestra 4
Muestra 5
Muestra 5
Muestra 5
Promedio
(3)
TABLA I
ARBOL DE DECISIÓN
Raíz Error
Error Absoluto
Cuadrático
Relativo
Relativo
42,6375
41,784
43,64567
42,039
42,5459
42,501
43,4273
41,908
43,6564
42,096
43,6595
41,976
43,5296
41,929
43,300
42,033
Coeficiente de
Correlación
0,9064
0,9018
0,9056
0,9027
0,9016
0,9016
0,9022
0,9030
TABLA II
PERCEPTRON MULTICAPA
Muestra
Raíz Error
Cuadrático
Relativo
Error
Absoluto
Relativo
Coeficiente de
Correlación
Muestra 1
Muestra 2
Muestra 3
Muestra 4
Muestra 5
Muestra 6
Muestra 7
Promedio
43,1514
44,4264
122,0678
99,2423
270,152
173,175
48,07098
114,3266
43,991
44,085
44,453
44,263
44,954
44,542
44,082
44,339
0,9023
0,8964
0,5678
0,6484
0,2899
0,4456
0,8792
0,6614
Muestra
Muestra 1
Muestra 2
Muestra 3
Muestra 4
Muestra 5
Muestra 6
Muestra 7
Promedio
técnica del Árbol de Decisión ya que globalmente se consiguió
menor error y un coeficiente de correlación muy aceptable.
Finalmente fue creado el modelo definitivo con el 70% de los
datos con la técnica seleccionada.
TABLA III
REGRESION LINEAL
Raíz Error
Error Absoluto
Cuadrático
Relativo
Relativo
49,4968
52,544
48,6458
51,778
47,8354
50,214
46,5941
48,024
46,9804
48,802
49,0125
50,667
46,1606
47,6537
47,8179
49,9551
Coeficiente de
Correlación
0,8748
0,8831
0,8901
0,8837
0,8818
0,88236
0,8896
0,8836
Cada una de las técnicas tuvo un tiempo diferente de
procesado siendo la regresión lineal la más rápida, seguido por
el árbol de decisión, luego por el Perceptron Multicapa y por
último el que realizó mayor cómputo el algoritmo del vecino
más cercano. Basándose en los estadísticos de las Tablas I a
IV, la técnica más apta para hacer la tarea del modelado es la
Muestra 1
Muestra 2
Muestra 3
Muestra 4
Muestra 5
Muestra 6
Muestra 7
Promedio
TABLA IV
ALGORITMO DEL VECINO MÁS CERCANO
Raíz Error
Error Absoluto
Coeficiente de
Cuadrático
Relativo
Correlación
Relativo
50,1803
50,9065
0,865
50,5389
50,7148
0,862
50,1654
50,7714
0,865
50,5201
50,9833
0,863
50,8074
50,8163
0,861
50,6762
50,7549
0,862
50,8426
51,0467
0,861
50,533
50,8563
0,862
Quinta Fase: Evaluación.
El modelo generado en la fase anterior fue probado con el
30% de los datos restantes. Los resultados arrojados por el
modelo fueron satisfactorios, en la siguiente tabla se muestra
una porción de los datos evaluados en comparación a sus
predicciones.
TABLA V
RESULTADOS DE EVALUACIÓN DEL MODELO SELECCIONADO
Valor Real
Valor Predicho
Diferencia
% error
47276
54146
57773
52438
55606
59969
52141
38384
49675
47842
44438
66459
54630
52666
55851
55446
47920
53696
57273
53091
54694
60375
52662
38603
49154
48489
45173
65894
54206
51716
55945
55222
Promedio
644
450
500
653
912
406
521
219
521
647
735
565
424
950
94
224
529
1,36
0,83
0,87
1,25
1,64
0,68
1,00
0,57
1,05
1,35
1,65
0,85
0,78
1,80
0,17
0,40
1,02
Analizando los resultados del modelo obtenido y comparando
con los datos reales del flujo de gas instantáneo mostrados en
la Tabla V, se puede apreciar que los resultados obtenidos
presentan un promedio de error absoluto de 1.02 en la variable
predicha con respecto al valor real, por lo tanto se puede
comprobar que el sistema diseñado funciona adecuadamente.
Se utilizó para este propósito una herramienta bajo Licencia
Pública General (LPG) denominada (WEKA=Waikato
Environment for Knowledge Analysis). WEKA es una suite
consistente en un conjunto de librerías diseñadas en JAVA por
la universidad de Waikato (Nueva Zelanda) con diferentes
métodos y técnicas de Minería de Datos. En vista que WEKA
posee diferentes métodos y técnicas previamente
desarrolladas, se utilizó esta herramienta para aplicarla a este
ISBN: 978-980-7185-03-5
CA-18
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA (VI CIBELEC 2015)
problema de predicción en específico. En vista que ya se
compararon previamente los modelos obtenidos en WEKA y a
partir de allí se determinó que el método Árbol de Decisión
fue el más confiable, éste fue el indicado para realizar el
prototipo de predicción.
en un proceso de auto-regulación en EF, a partir de la
información que ellos manejan, lo que les permite anticipar
situaciones, tener un comportamiento proactivo, sin perder la
visión global del negocio. En ese sentido, nuestro enfoque es
autónomo y distribuido.
Sexta Fase: Implantación
El sistema de predicción desarrollado, fue capaz de inferir el
Flujo de Gas Instantáneo (FGI) a través de las variables
determinadas en la vista minable operativa, permitiendo al
operador de una sala de control identificar escenarios
operacionales, mejorando el sistema de recolección al
mantener la tasa de flujo de producción a un menor costo.
Para la implantación del prototipo se usó NetBeans que es un
entorno de desarrollo integrado libre, hecho principalmente
para el lenguaje de programación JAVA. Utilizando así las
interfaces de programación de aplicaciones (API = Application
Programming Interface) que proporciona Weka para
conectarse con sus librerías de desarrollo de aplicaciones.
V. CONCLUSIONES
La propuesta de un Sistema de Predicción Diagnóstico para
la optimización de procesos de producción a Nivel de la
Estación de Flujo, constituye un primer paso para la
construcción de un mecanismo de observación, recolección de
datos y su interpretación a nivel de Estación de Flujo, dotando
de información al controlador del proceso de producción.
Dicha inteligencia es entendida como la capacidad del EF para
auto-organizarse, según sus condiciones y la de su entorno.
Este enfoque superara al enfoque clásico de los Sistemas de
Control y Adquisición de Datos (SCADA = Supervisory
Control And Data Acquisition), que se limitan a tareas de
supervisión y control, a partir de la siguiente idea: está basado
REFERENCIAS BIBLIOGRÁFICAS
[1] J. Aguilar, et al. “Metodología para identificar tareas de minería de
datos en una organización. Informe Técnico”, CEMISID. Universidad
de los Andes. 2013.
[2] C. Rangel, et al. ”Methodology for detecting the feasibility of using
data mining in an organization, Proceedings of the XXXIX
Conferencia Latinoamericana en Informática” (CLEI 2013), IEEE
Xplore, Vol.1, pp. 502-513, Naiguatá, Venezuela, Octubre 2013.
[3] J. Gallardo. “Metodología para la Definición de Requisitos en
Proyectos de Data Mining (ER-DM)”, Universidad Politécnica de
Madrid, 2009.
[4] R. Keith “Oilfield Data Mining Workflows for Robust Reservoir
Characterization”. Society of Petroleum Engineers. SPE 149785. March
2012.
[5] Sharma “Classification of Oil and Gas Reservoirs Based on Recovery
Factor: A Data Mining Approach”. Society of Petroleum Engineers. SPE
130257. Septiembre 2010.
ISBN: 978-980-7185-03-5
CA-19
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA (VI CIBELEC 2015)
Sistemas de Identificación de Estados
Operacionales para Pozos de Producción por
Levantamiento Artificial Mecánico
Edgar A Camargo, Egner Aceros
Resumen— En este trabajo se presenta un Sistema de
Identificación de Estados Operacionales de Pozos Petroleros
basado en técnicas de Computación Inteligente (específicamente
un Sistema Difuso). Este sistema, permite implementar labores de
supervisión y control del proceso de producción en sus respectivos
estados operacionales, y detectar formas de fallas que afectan al
proceso de producción de crudo. La identificación se realiza en
pozos por levantamiento artificial por Bombeo Mecánico, usando
datos de campo (carga de fluido, torque, porcentaje de llenado de
la bomba y sobrecarga del motor). En general, la propuesta está
orientada a la dotación del pozo de inteligencia al conferirle
características de auto-diagnóstico en sitio, proporcionando al
método de producción mejor desempeño y rentabilidad
económica. Esto se hace a través del sistema de supervisión
propuesto.
Palabras claves— estructura difusa, clasificador difuso, sistema
de producción petrolero, pozos por levantamiento artificial por
bombeo mecánico, inteligencia artificial.
Ι. INTRODUCCIÓN
La producción industrial petrolera se compone de procesos
grandes y complejos, por lo cual, requiere una plataforma
tecnológica que maneje grandes volúmenes de información
que permita el control de los mismos, la toma de decisiones
gerenciales, y la generación de la planificación de la
producción. A pesar de contar con una plataforma tecnológica
compuesta por diversos niveles que van desde el control de los
procesos (en el cual se encuentran dispositivos de control
regulatorio y adquisición de datos de procesos) hasta los
gerenciales y supervisorios (compuestos por diversos sistemas
de información para optimización, gestión de recursos, apoyo
a la toma de decisiones, entre otros), la industria petrolera
actualmente hace frente a una nueva realidad: ¿Cómo
incrementar, o al menos estabilizar, la producción de
hidrocarburos debido a la madures de los campos de gas y
petróleo?. Una respuesta consiste en acceder a nuevas técnicas
Artículo recibido el 05 de Enero 2015. Este artículo fue financiado por
PDVSA.
E.C. y E.A. están con PDVSA, Línea de Servicio de Automatización
Industrial, Gerencia AIT Corporativo, Lagunillas, Edo Zulia, Venezuela, Tlf.
+58-261-8051269, E-mail: [email protected], [email protected]
de computación que permitan identificar fallas operacionales
que impactan la producción.
Particularmente, la Inteligencia Artificial (IA) ha permitido
beneficios en ahorros o incremento de producción de
hidrocarburos, a pesar de que la (IA) es relativamente nueva
en la industria petrolera (no mayor a diez años) [1]. Se han
hecho grandes esfuerzos por utilizar la (IA) para maximizar el
factor de recobro de los yacimientos (producción de petróleo
al menor costo posible) [1]. Algunos trabajos afines a nuestra
propuesta son presentados en [2, 3]. En [4] se estiman zonas
altamente productivas de crudo utilizando la inteligencia
artificial. En [4] se optimizó la Producción del Método de
Levantamiento BCP (Bombeo Cavidad Progresiva) a través
del Control del “Drawdown” (Caída de la Presión de Fondo
con respecto a la Presión de Yacimiento), utilizando
algoritmos genéticos en diferentes zonas de producción. De
igual manera, en [2] utiliza la inteligencia artificial para
identificar zonas de producción en yacimientos multicapas.
Así, un Sistema Clasificador Difuso (SCD) es un sistema cuyas
reglas están basados en la teoría de Lógica Difusa (LD), el
cual integra los mismos elementos de un Sistema Clasificador
(SC), pero trabajando en un marco difuso [5]. En un SCD las
reglas son difusas, es decir, los elementos “antecedente” y
“consecuente” tienen características difusas. De esta manera,
la activación de una regla se logra cuando se verifica el
cumplimiento de las instancias en su “antecedente” para los
valores de las variables difusas. Para desarrollar un
clasificador difuso basta en muchos de los casos utilizar alguna
función de pertenencia, tales como la función triangular o la
trapezoidal. Así, el esfuerzo se enfocara entonces en conocer
los datos de entrada y con base a la experiencia que se tenga
del proceso, saber cuál es la más apropiada para modelar y
clasificar.
En este trabajo se propone un Sistema Clasificador (SC) que
permitirá la identificación de diferentes escenarios
operacionales de un pozo petrolero, para poder así
implementar labores de supervisión y control de los procesos
en sus respectivos estados operacionales. El SC propuesto
permite, entre otras cosas, detectar formas de fallas que
afectan al proceso o a los equipos involucrados, en tiempo real
y de forma autónoma, en las instalaciones de producción, a
nivel de pozos y yacimientos [2]. El sistema es inicialmente
probado en pozos que requieren Levantamiento Artificial por
Bombeo Mecánico (BM).
ISBN: 978-980-7185-03-5
CA-20
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA (VI CIBELEC 2015)
ΙΙ. MARCO TEORICO DEL SISTEMA DIFUSO
A. Pozo por Levantamiento Artificial por Bombeo Mecánico
El bombeo mecánico es el más común de los métodos de
levantamiento artificial, empleado para la extracción de crudo
en pozos con volúmenes pequeños y medianos de producción
y especialmente en crudos medianos y pesados, los cuales
requieren la inyección de diluentes o vapor para facilitar su
extracción. Este método tiene como principio fundamental
levantar los fluidos desde el reservorio hacia la superficie.
Consiste en una bomba de subsuelo de acción reciprocante y
desplazamiento positivo conectada a una sarta de cabillas que
permiten transmitir el movimiento generado en la superficie
por la unidad de bombeo o balancín a través de la energía
suministrada por un motor eléctrico o de combustión interna.
El principio de funcionamiento del sistema se basa en
transformar el movimiento angular del eje del motor a un
movimiento reciprocante vertical, reduciendo la velocidad
mediante la caja de engranajes del balancín, con la finalidad de
accionar la sarta de cabilla y la bomba de subsuelo,
permitiendo la transmisión de energía adicional del pozo y
creando un diferencial de presión que facilite el transporte de
fluidos desde el fondo hasta la superficie, el proceso descrito
se muestra en la Fig. 1 [4].
agua, Presión y Temperatura de fondo, Relación Gas Líquido);
todo esto se hace ya que el comportamiento de producción de
crudo en los pozos por BM depende de variables, tanto de
yacimiento como de diseño mecánico (válvulas, tuberías de
producción, entre otros) [2]. Posteriormente se aplican
técnicas basada en Balance de Masa y Energía, denominada
Análisis Nodal [2]. Para su cálculo, se debe elegir un nodo
(punto de implementación del balance de energía) en cualquier
lugar del sistema de producción. Posteriormente de elegido el
nodo, se determinan las presiones con la cual el yacimiento
entregará la tasa de producción a la entrada y salida del nodo.
Esta relación presión y tasa de producción se denominan
“Oferta” de energía del yacimiento y “Demanda” de energía de
la instalación en superficie. Finalmente, de la intersección de
dichas curvas se obtiene el modelo de producción de un pozo a
partir del análisis nodal [2]. Así, la pérdida de energía en
forma de presión a través de cada componente, depende de las
características de los fluidos producidos y especialmente del
caudal de flujo transportado, de tal manera que la capacidad de
producción del sistema responde a un balance entre la
capacidad de aporte de energía del yacimiento y la demanda
de energía de la instalación para transportar los fluidos hasta la
superficie.
La implantación en campo de este método BM necesita de un
arreglo de instrumentación y control. Para tal fin, se requiere
la medición y control de las siguientes variables (ver Fig. 1):
Presión de Fondo, Presión del Revestidor, Presión de la
Tubería de Producción, Nivel de Fluido Estático,
Característica de la Bomba de Subsuelo (Diámetro del Pistón
de la Bomba y Profundidad de la Bomba), Característica del
Motor (Potencial Nominal).
B. Sistemas Difusos
FIG. 1. Levantamiento Artificial por Bombeo Mecánico.
La curva de producción del pozo se obtiene a través de la
caracterización del pozo (perfil de presión) y técnicas de
balances de masa y energías [1]. En la caracterización se
identifica la completación mecánica instalada en el pozo a
nivel de fondo y superficie, y la caracterización de las
propiedades física del fluido (Gravedad del crudo, Corte de
La Lógica Difusa (LD) constituye una técnica de gran
importancia en el modelado de sistemas, pues los modelos
lógicos - difusos pueden ser usados para describir fenómenos
complejos difíciles de modelar mediante métodos formales
[2,5]. Entre las ventajas de la lógica difusa esta la posibilidad
de hacer un razonamiento o procesamiento con información
imprecisa o borrosa. Un modelo lógico-difuso (sistema
difuso) consta fundamentalmente de una base de
conocimientos, conformada por un conjunto de reglas del tipo
Si-Entonces con proposiciones imprecisas expresadas en
lenguaje natural, y de un mecanismo de inferencia que permite
obtener una conclusión a partir de una entrada determinada.
Las reglas permiten establecer las relaciones entre las
diferentes variables, llamadas entradas, para generar ciertas
conclusiones [6]. El conocimiento codificado en la base de
reglas se deriva de la experiencia y de la intuición humana,
además del conocimiento práctico y teórico que se disponga
del sistema. Cada una de las reglas de la base de
conocimientos esta caracterizada por una parte “Si” llamada el
antecedente y una parte “Entonces” llamada el consecuente. El
antecedente de una regla contiene un conjunto de condiciones
y el consecuente contiene una conclusión. Cada regla opera de
ISBN: 978-980-7185-03-5
CA-21
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA (VI CIBELEC 2015)
la siguiente forma: si las condiciones del antecedente son
satisfechas, entonces la conclusión del consecuente es
aplicada. Para un modelo difuso las variables incluidas en el
antecedente corresponden a las entradas del sistema y las
variables incluidas en el consecuente corresponden a las
salidas del sistema [6]. Las condiciones contenidas en el
antecedente y las conclusiones del consecuente de las reglas
consisten en proposiciones de la forma F es Xo, donde F es
una variable y Xo es un conjunto difuso definido sobre el
universo de discurso de la variable F.
Para desarrollar un clasificador difuso basta en muchos de los
casos utilizar alguna de las funciones de similitud, tales como
la función triangular o la trapezoidal, es decir, no es necesario
concebir una nueva función de pertenencia difusa, el esfuerzo
se enfoca entonces en conocer los datos de entrada y con base
a la experiencia que se tenga, saber cuál es la más apropiada
para modelar y clasificar (Ver Fig.2).
TABLA 1
VARIABLES UTILIZADAS PARA EL DIAGNÓSTICO
Tipo de Variable
Variables Lingüística
Variables de Entrada
Carga de Fluido (lb)
(Antecedentes)
Torque (lb/pulg)
Variables de Salida
Porcentaje de Llenado de Bomba (%)
(Consecuentes)
Sobrecarga de Motor (%)
Según el comportamiento y la relación que presentan las
variables de entrada del pozo, se establecen las siguientes
reglas las cuales determinan el estado operacional del pozo y
están estructuradas en cinco conjuntos difusos (Muy Bajo,
Bajo, Medio, Alto y Muy Alto). Así, las Reglas para el
Llenado de la Bomba son las siguientes:
1. SI Torque Muy Bajo y SI Carga de Fluido Muy Bajo,
Entrada 1
SC
ENTONCES Llenado de Bomba Muy Bajo.
Salida
2. SI Torque Muy Bajo y SI Carga de Fluido Bajo,
ENTONCES Llenado de Bomba Bajo
3. SI Torque Bajo y SI Carga de Fluido Muy Bajo,
Entrada 2
ENTONCES Llenado de Bomba Muy Bajo
4. SI Torque Bajo y SI Carga de Fluido Bajo,
FIG. 2. Modelo de un SC Clásico
ENTONCES Llenado de Bomba Bajo
ΙΙΙ. DISEÑO DEL SISTEMA DIFUSO PARA POZOS POR
LEVANTAMIENTO ARTIFICIAL POR BOMBEO
MECANICO
Esta sección introduce la metodología propuesta para el
desarrollo del (SC) para identificar escenarios operacionales y
posibles fallas en pozos que producen por levantamiento
artificial por bombeo mecánico. Para tal fin, se utilizará el
siguiente conjunto de variables vinculadas al proceso: Carga
de fluido, Torque, Porcentaje de Llenado de Bomba y
Sobrecarga del Motor. La metodología consiste en preparar
datos, variables, y modelos de fusificación y posteriormente
diseñar el SC compuesto por reglas difusas que representaran
el modelo relacionado al desempeño del pozo.
A. Preparación de los Datos, variables difusas y conjuntos
difusos
5. SI Torque Bajo y SI Carga de Fluido Medio,
ENTONCES Llenado de Bomba Medio
6. SI Torque Medio y SI Carga de Fluido Muy Bajo,
ENTONCES Llenado de Bomba Bajo
7. SI Torque Medio y SI Carga de Fluido Bajo,
ENTONCES Llenado de Bomba Medio
8. SI Torque Medio y SI Carga de Fluido Medio,
ENTONCES Llenado de Bomba Medio
9. SI Torque Medio y SI Carga de Fluido Alto,
ENTONCES Llenado de Bomba Medio
10. SI Torque Medio y SI Carga de Fluido Muy Alto,
ENTONCES Llenado de Bomba Medio
11. SI Torque Alto y SI Carga de Fluido Muy Bajo,
ENTONCES Llenado de Bomba Muy Bajo
12. SI Torque Alto y SI Carga de Fluido Bajo,
ENTONCES Llenado de Bomba Bajo
13. SI Torque Alto y SI Carga de Fluido Medio,
ENTONCES Llenado de Bomba Medio
El primer paso es la recolección de datos asociados al modelo
de comportamiento del pozo, los cuales están relacionados al
método por BM. Los datos son obtenidos a través de la
instrumentación instalada a nivel de cabezal del pozo y luego
es definido el conjunto de variables difusas.
Así, según las variables que maneja el pozo se determina el
grupo de variables lingüísticas necesarias para realizar dicho
sistema. Par tal fin (Ver Tabla 1) donde se muestran las
variables utilizadas para realizar el diagnóstico.
14. SI Torque Alto y SI Carga de Fluido Alto,
ENTONCES Llenado de Bomba Alto
15. SI Torque Alto y SI Carga de Fluido Muy Alto,
ENTONCES Llenado de Bomba Alto
16. SI Torque Muy Alto y SI Carga de Fluido Muy Bajo,
ENTONCES Llenado de Bomba Muy Bajo
17. SI Torque Muy Alto y SI Carga de Fluido Bajo,
ENTONCES Llenado de Bomba Bajo
18. SI Torque Muy Alto y SI Carga de Fluido Medio,
ENTONCES Llenado de Bomba Alto
19. SI Torque Muy Alto y SI Carga de Fluido Alto,
ENTONCES Llenado de Bomba Muy Alto
ISBN: 978-980-7185-03-5
CA-22
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA (VI CIBELEC 2015)
20. SI Torque Muy Alto y SI Carga de Fluido Muy Alto,
TABLA 2
RANGO DE OPERACIÓN DEL TORQUE
ENTONCES Llenado de Bomba Muy Alto
De igual manera las Reglas para la Sobrecarga del Motor,
son las siguientes:
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
SI Torque Muy Bajo y SI Carga de Fluido Muy
Bajo, ENTONCES Sobrecarga Motor Muy Bajo
SI Torque Muy Bajo y SI Carga de Fluido Bajo,
ENTONCES Sobrecarga Motor Bajo
SI Torque Bajo y SI Carga de Fluido Muy Bajo,
ENTONCES Sobrecarga Motor Muy Bajo
SI Torque Bajo y SI Carga de Fluido Bajo,
ENTONCES Sobrecarga Motor Bajo
SI Torque Bajo y SI Carga de Fluido Medio,
ENTONCES Sobrecarga Motor Bajo
SI Torque Medio y SI Carga de Fluido Muy Bajo,
ENTONCES Sobrecarga Motor Medio
SI Torque Medio y SI Carga de Fluido Bajo,
ENTONCES Sobrecarga Motor Medio
SI Torque Medio y SI Carga de Fluido Medio,
ENTONCES Sobrecarga Motor Medio
SI Torque Medio y SI Carga de Fluido Alto,
ENTONCES Sobrecarga Motor Medio
SI Torque Medio y SI Carga de Fluido Muy Alto,
ENTONCES Sobrecarga Motor Medio
SI Torque Alto y SI Carga de Fluido Muy Bajo,
ENTONCES Sobrecarga Motor Alto
SI Torque Alto y SI Carga de Fluido Bajo,
ENTONCES Sobrecarga Motor Alto
SI Torque Alto y SI Carga de Fluido Medio,
ENTONCES Sobrecarga Motor Alto
SI Torque Alto y SI Carga de Fluido Alto,
ENTONCES Sobrecarga Motor Alto
SI Torque Alto y SI Carga de Fluido Muy Alto,
ENTONCES Sobrecarga Motor Alto
SI Torque Muy Alto y SI Carga de Fluido Muy Bajo,
ENTONCES Sobrecarga Motor Muy Alto
SI Torque Muy Alto y SI Carga de Fluido Bajo,
ENTONCES Sobrecarga Motor Muy Alto
SI Torque Muy Alto y SI Carga de Fluido Medio,
ENTONCES Sobrecarga Motor Muy Alto
SI Torque Muy Alto y SI Carga de Fluido Alto,
ENTONCES Sobrecarga Motor Muy Alto
SI Torque Muy Alto y SI Carga de Fluido Muy Alto,
ENTONCES Sobrecarga Motor Muy Alto
Por otra parte según los datos históricos obtenidos del pozo, se
estableció el rango de operación de cada variable para generar
el sistema de diagnóstico, los rangos de cada variable
lingüística se muestran a continuación (Ver Tablas 2-5):
Variable
Valor Lingüística
Rango de operación (lb/pulg)
Lingüística
Muy Bajo
119000-155000
Bajo
142000-168000
Torque
Medio
155000-179000
(lb/pulg)
Alto
168000-188000
Muy Alto
179000-197000
TABLA 3
RANGO DE OPERACIÓN DE LA CARGA DE FLUIDO
Variable
Valor Lingüística
Lingüística
Carga de
Fluido (lb)
Rango de operación
(lb)
Muy Bajo
4000-4300
Bajo
4200-4400
Medio
4300-4500
Alto
4400-4600
Muy Alto
4500-4800
TABLA 4
RANGO DE OPERACIÓN DE LLENADO DE LA BOMBA
Variable
Valor Lingüística
Lingüística
(%)
Muy Bajo
Llenado de
Bomba
(%)
Rango de operación
10-25
Bajo
20-40
Medio
35-55
Alto
50-70
Muy Alto
65-80
TABLA 5
RANGO DE OPERACIÓN DE SOBRECARGA DEL MOTOR
Variable
Valor Lingüística
Rango de operación
Muy Bajo
11-15
Sobrecarga del
Bajo
14-16
Motor(%)
Medio
15-17
Alto
16-18
Muy Alto
17-20
Lingüística
ISBN: 978-980-7185-03-5
(%)
CA-23
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA (VI CIBELEC 2015)
Seguidamente se presenta las definiciones de los rangos
utilizados para el Porcentaje de Llenado de la Bomba:
Muy Bajo: Se identifica cuando la bomba presenta un llenado
muy bajo (orden del 20% de su capacidad) y esta se ve
reflejado en una caída inmediata de la producción de crudo, y
es debido a una falla en la bomba del subsuelo, debido a:
filtración en alguna de las válvulas, o en algunos casos cabillas
partidas.
Bajo: Se identifica cuando la bomba presenta un llenado bajo,
en un rango aproximado de 20% y 35%, generando una baja
producción de crudo pero en menos proporción que el
anterior, debido a fallas como: interferencia por gas y golpe de
fluido.
Medio: Se identifica cuando la bomba presenta un porcentaje
de llenado medio, es decir un rango que se considera aceptable
según las condiciones del pozo, entre 35% y 55%.
Alto: Se identifica cuando la bomba presenta un llenado alto,
un poco por encima del nivel medio, entre un rango de 55% y
65%, a pesar de que este rango supera el nivel medio que
debería presentar el llenado de la bomba, este se considera un
rango trabajable para la misma ya que por lo general las
bombas se fabrican con cierto porcentaje de sobredimensión
para el cual son diseñadas.
Muy alto: Se identifica cuando la bomba supera los límites de
llenado, por encima del 65%, lo cual genera problemas de
graves en el pozo que ocasionan perdidas de producción.
Seguidamente se presenta las definiciones de los rangos
utilizados para la Sobrecarga del Motor:
Muy Bajo: Se identifica cuando el motor presenta baja carga,
por debajo del 13%, esto es debido a un problema de llenado
de la bomba, o a una filtración de alguna válvula, lo que quiere
decir que no se está extrayendo el crudo esperado.
Bajo: Se identifica cuando el motor presenta una baja carga,
entre un rango aproximado de 13% y 14%, lo cual es
ocasionado por una falla a nivel de subsuelo, filtración de
válvulas, golpe de fluido, interferencia por gas, que ocasionan
disminución en la producción de crudo.
Medio: Se identifica cuando el motor está trabajando en las
condiciones deseadas, para este tipo de pozo el rango deseado
se encuentra entre 14% y 16% de sobrecarga. Se puede decir
que en este rango el pozo se encuentra trabajando en
condiciones normales.
Muy alto: Se identifica cuando el motor está trabajando con
una sobrecarga muy excesiva que sobrepasa los límites
permitidos, por encima del 17%. Este estado es generado
cuando el pistón esta trancado.
IV. RESULTADOS DE LA APLICACIÓN DEL SISTEMA
CLASIFICADOR
Para validar el sistema de diagnóstico se emplearon datos
históricos del comportamiento del pozo, los cuales se muestran
a continuación, agregando el estado operacional
correspondiente al valor de salida de cada variable (Ver
Tablas 6-7).
TABLA 6
DATO HISTÓRICO LLENADO DE LA BOMBA
.
Torque
Carga de Fluido % Llenado Bomba,
Estado
(lb/pulg)
(lb)
Datos del Pozo
Operacional
164843
4394
39.8
Medio
114284
4019
18.5
Bajo
166762
4478
44.8
Medio
176267
4444
47.9
Medio
178855
4765
51.4
Medio
181895
4580
63.6
Alto
183406
4665
57.2
Alto
145513
4350
31.4
Bajo
164360
4727
41.5
Medio
170595
4701
42
Medio
175021
4584
50.1
Medio
178522
4627
55.2
Alto
180091
4684
56.5
Alto
140215
4396
28.3
Bajo
145513
4350
31.4
Bajo
166238
4774
38
Medio
176685
4474
48.1
Alto
174670
4627
50.4
Medio
178652
4800
52.7
Medio
182091
4515
54.9
Medio
133646
4388
26.9
Bajo
131531
4153
25.6
Bajo
155027
4450
35.4
Medio
166055
4310
44.3
Medio
173606
4438
50.1
Medio
176886
4548
48.6
Medio
172182
4513
51.6
Medio
178245
4410
53.7
Medio
4584
50.1
Medio
4449
48.1
Medio
Alto: Se identifica cuando el motor está trabajando con una
175021
ligera sobrecarga por encima de los niveles deseados, se
177376
encuentra dentro del rango de 16% y 17%, esta sobrecarga se
presenta cuando el crudo aumenta su viscosidad o se genera
arenamiento en el pozo.
ISBN: 978-980-7185-03-5
CA-24
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA (VI CIBELEC 2015)
TABLA 7
DATO HISTÓRICO SOBRECARGA DEL MOTOR
Torque
Carga de Fluido (lb)
(lb/pulg)
TABLA 8
RESULTADOS COMPARATIVOS DEL SISTEMA DESARROLLADO EN MATLAB Y EN
SISTEMA DE CONTROL LÓGICO PROGRAMABLE PARA EL LLENADO DE LA
BOMBA
%Sobrecarga
Estado
Motor
Operacional
164843
4394
15.8
Medio
114284
4019
13.9
Bajo
166762
4478
16.2
Alto
176267
4444
16.9
Alto
178855
4765
17
Alto
181895
4580
18.9
Muy Alto
183406
4665
17.9
Muy Alto
145513
4350
15.1
Medio
164360
4727
15.6
Medio
170595
4701
16.1
Alto
175021
4584
17.1
Muy Alto
178522
4627
17.9
Muy Alto
180091
4684
17.7
Muy Alto
140215
4396
14.3
Medio
145513
4350
15.1
Medio
166238
4774
15.3
Medio
176685
4474
17.3
Muy Alto
174670
4627
17.1
Muy Alto
178652
4800
17.1
Muy Alto
182091
4515
18.1
Muy Alto
133646
4388
14
Medio
131531
4153
14.7
Medio
155027
4450
15.4
Medio
166055
4310
16.6
Alto
173606
4438
17.5
Muy Alto
176886
4548
16.7
Alto
172182
4513
17.1
Muy Alto
178245
4410
18
Muy Alto
175021
4584
17.1
Muy Alto
177376
4449
16.9
Alto
A continuación se muestra una comparación de los resultados
obtenidos de los desarrollos de los prototipos en Matlab y en
Programmable Logic Controller (PLC) Ver (Tablas 8-9).
Analizando los resultados obtenidos del sistema difuso
desarrollado en Matlab y comparados con los datos reales del
pozo mostrados en las Tabla 8 y Tabla 9, se puede apreciar
que los resultados presentan un promedio de error absoluto de
5.0177 para el llenado de la bomba y de 0.7040 para la
sobrecarga del motor, con respecto al valor real, y se
encuentran la mayoría dentro del rango de operación
correspondiente, por lo tanto se puede comprobar que el
sistema diseñado funciona adecuadamente.
%Llenado
%Llenado Bomba, Datos de %Llenado Bomba, Datos
Bomba, Datos del
Matlab
del PLC
Pozo
39.8
43.9596
44.699
18.5
22.7118
15.417
44.8
45
45
47.9
51.5682
51.6
51.4
59.8155
59.802
63.6
64.6064
64.691
57.2
67.1304
67.139
31.4
35.1898
34.053
41.5
45
45
42
48.4372
48.539
50.1
54.6426
59.348
55.2
59.3879
61.768
56.5
61.6831
57.117
28.3
30
30
31.4
35.1898
34.053
38
45
45
48.1
56.1986
56.1
50.4
54.15
54.095
52.7
59.5555
59.525
54.9
64.9314
65.009
26.9
30
30
25.6
15.414
15.417
35.4
45
45
44.3
42.8501
35.806
50.1
51.3688
50.7
48.6
56.0491
50.703
51.6
50.6421
46.5
53.7
46.4241
54.574
50.1
54.6426
52.35
48.1
52.3446
54.574
Con respecto a los valores determinados en el Controlador
Lógico Programable (PLC), comparándolos con los valores
reales del pozo, se observó que los resultados presentan un
promedio de error absoluto de 4.9733 para la sobrecarga de la
bomba y de 0.7238 para la sobrecarga, con respecto al valor
real, en el caso del porcentaje de llenado de la bomba el error
es menor, esto es debido a la capacidad de computo del (PLC)
y por otra parte la herramienta difusa fue elaborada en texto
estructurado, un lenguaje de programación propio del PLC, de
igual forma los resultados generados aquí se encuentran la
mayoría dentro del rango operacional.
V. CONCLUSIONES
El Sistema Clasificador para el Análisis de Pozo permite
analizar y clasificar datos extraídos del mismo. Genera
información a partir de las variables del yacimiento y cabezal
del pozo. Con dicha información es más precisa la
determinación del escenario operacional de un pozo a partir de
sus condiciones operacionales, ya que en un mismo sistema
están integrados variables de fondo y superficie, diferente a
como actualmente se realiza en la industria en la que solo hay
variables de superficie. Así, esto le permitirá al pozo autodiagnosticarse, controlar sus daños, y cuidar y supervisar el
comportamiento de su infraestructura subsuelo/superficie.
ISBN: 978-980-7185-03-5
CA-25
6TO CONGRESO IBEROAMERICANO DE ESTUDIANTES DE INGENIERÍA ELÉCTRICA (VI CIBELEC 2015)
TABLA 9
RESULTADOS COMPARATIVOS DEL SISTEMA DESARROLLADO EN
MATLAB Y UN SISTEMA DE CONTROL LÓGICO PROGRAMABLE PARA LA
SOBRECARGA DEL MOTOR
%Sobrecarga
Motor, Datos
del Pozo
15.8
13.9
16.2
16.9
17
18.9
17.9
15.1
15.6
16.1
17.1
17.9
17.7
14.3
15.1
15.3
17.3
17.1
17.1
18.1
14
14.7
15.4
16.6
17.5
16.7
17.1
18
17.1
%Sobrecarga
Motor, Datos de
Matlab
15.7919
14.8464
15.9178
16.7233
16.9911
17.505
17.748
12.9911
16
16.201
16.6623
16.9695
17.1886
12.7594
12.9911
16
16.8136
16.6256
16.9781
17.5382
12.7594
12.7594
15.0028
15.8821
16.5115
16.7637
16.3588
16.9486
16.6623
%Sobrecarga Motor, Datos del PLC
15.7572
12.7519
15.9712
16.7515
16.9868
17.3931
17.5983
13.3667
16
16.2359
16.9565
17.14.82
16.8078
12.7619
13.3667
16
16.7895
16.6064
16.9684
17.4198
12.7619
12.417
15.0021
15.3871
16.5096
16.3802
16.9314
16.6383
16.8524
Ahora bien, en específico nuestro sistema permite identificar
estados operacionales, a partir de lo cual el pozo puede
optimizar su nivel de producción a una menor tasa de energía.
En el caso de la clasificación de escenarios operacionales a
través del Sistema Difuso, resultó ser efectiva ya que permite
hallar el desempeño operacional del pozo. Su importancia está
en la de disponer del escenario, posibilitando la toma de
decisiones sobre la producción del pozo y su estado
operacional, si el fondo del pozo esta bajo la presencia de
agua, sedimentos, etc. Esto último puede cambiar la tasa de
producción del pozo.
REFERENCIAS BIBLIOGRÁFICAS
[1] Camargo, Edgar; Aguilar , J. “Hybrid Intelligent Supervision Model
of Oil Wells” International Conference on Fuzzy Systems (FUZZ-IEEE)
July 6-11, 2014, Beijing, China. 978-1-4799-2072-3/14 PP 934-939
©2014 IEEE.
[2] Leal, R., Camargo, E., Aguilar, J., “Analysis of Diagnosability for Gas
Lift Wels”. XII Congreso Internacional de Métodos Numéricos en
Ingeniería y Ciencias Aplicadas . ISBN: 978-980-7161-04-. Pp EC-91EC96. Isla Margarita, Venezuela, Abril 2014
[3] Moon G. Joo ”A method of converting a fuzzy system to a twolayered hierarchical fuzzy system and its run-time efficiency”.
Journal IEEE Transactions on Fuzzy Systems aVolume 17 Issue 1, Feb.
2009.
[4] Mena L, Klein, S., “Surface Axial Load Based Progressive Cavity
Pump Optimization System”. Society of Petroleum Engineers. SPE
53692. April. 1999.
[5] Carr, D., Shearer, J. “Nonlinear Control and Decision Making Using
Fuzzy Logic in Logix”. Allen Bradley Rockwell Automation. Vol. 12,
Nº 1, pp.23-28. 2011.
[6] Cordero, S., Moreno, F. “Una Herramienta de Inducción de Sistemas
Difusos Jerarquicos”. XV Congreso Español sobre Tecnologías y
Lógica Fuzzy. Huelva (Spain), pp. 249-254. Feb. 2010.
ISBN: 978-980-7185-03-5
CA-26